PointCouldMamba: 利用状态空间模型开展点云学习的研究.pdf

简介：
本研究论文《PointCouldMamba》探讨了基于状态空间模型的点云数据学习方法，旨在提升三维场景理解与重建技术。通过建模动态变化中的点云特征，该文为机器人导航、自动驾驶等领域提供了新的理论支持和技术路径。 在这项研究工作中，我们首次展示了基于曼巴（Mamba）的点云方法在性能上超越了传统的基于点的方法。曼巴拥有强大的全局建模能力和线性计算复杂度，在处理点云数据时表现出色。为了提高曼巴对三维点云数据的处理能力，我们提出了一种新的遍历序列化方法，能够将多维空间中的点转换成一维序列，并确保在新序列中相邻的数据点在原始的空间布局上也是邻近的。这种一致性的遍历通过重新排列x、y和z坐标顺序产生六种不同的形式，这些变体共同作用帮助曼巴全面观察到数据的不同方面。 此外，为了使曼巴能够更有效地处理不同长度的一维序列数据，我们引入了点提示来指导模型理解序列的排序规则。最后，我们还提出了一种基于空间坐标的映射位置编码方法，以更好地将三维坐标信息嵌入到一维序列中。通过这些改进措施，我们构建了一个名为“Point Cloud Mamba”的网络架构，并且它结合了局部和全局建模的优势。实验结果表明，“Point Cloud Mamba”在ScanObjectNN、ModelNet40 和 ShapeNetPart 数据集上的表现优于现有的SOTA点方法 PointNeXt，达到了新的性能标准。